Update README.md

README.md

 
 # models简介
 
-## [词向量](#)
-
+## [词向量]
 **介绍：**
 狭义上讲，词向量是指把所有文本样本中的每个单词映射到一个向量。比如，对于文本“A B A E B F G”，我们最终得到单词A对应的向量为[0.1 0.6 -0.5]，单词B对应的向量为[-0.2 0.9 0.7] 。相对于one-hot表示方式，词向量方式更容易计算单词之间的相似性，表示方式更加紧凑。
 广义上讲，词向量也可以应用于普通离散特征，可以充分利用无监督数据，充分捕获特征间的关系，可以有效解决特征稀疏、标签数据缺失、数据噪声等问题。
-
-
 **应用领域：**
 词向量是自然语言处理中常见的一个操作，是搜索引擎、广告系统、推荐系统等互联网服务背后常见的基础技术。
 
-## [文本生成](#)
+## [文本生成]
 **介绍：**
 文本生成(Sequence to Sequence)，是一种时序对映射的过程，实现了深度学习模型在序列问题中的应用，其中比较突出的是机器翻译和机器人问答。
 **应用领域：**
 文本生成模型可扩展应用于：机器翻译、智能对话与问答、广告创意语料生成、自动编码（如金融画像编码）等业务领域
-## [LTR](#)
+
+## [LTR]
 **介绍：**
 LTR(learning to rank)是用于解决排序问题的监督学习算法。LTR可分为以下三种：
-
 - Pointwis：将排序问题转化为多类分类问题或者回归问题。对于检索问题，只考虑给定查询下，单个文档的绝对相关度。
-
 - PairWise：排序问题被转化成结果对的 回归 、 分类 或 有序分类 的问题。考虑给定查询下，两个文档之间的相对相关度。
 - ListWise：不再将Ranking问题直接形式化为一个分类或者回归问题，考虑给定查询下的文档集合的整体序列。
-
 PaddlePaddle提供的模型是ListWise的一种实现LambdaRank。
-
 **应用领域：**
 LTR最标准的应用场景是搜索排序，包括：图片搜索排序、外卖美食搜索排序、App搜索排序、酒店搜索排序。同时，还可以扩展应用于：关键词推荐排序、各类业务榜单排序、个性化推荐排序等。
 
-## [文本分类](#)
 
+## [文本分类]
 **介绍：**
 通过深度神经网络模型对文本样本进行分类，支持二分类和多分类。模型包含word embedding步骤，用户可直接将原始文本数据作为输入。
 **应用领域：**